Страница:
Активные исследования адаптивного поведения проходят в ряде зарубежных лабораторий, таких, как:
– AnimatLab (Париж, руководитель – один из инициаторов данного направления Ж.-А. Мейер) [21, 22], в этой лаборатории ведется широкий спектр исследований адаптивных роботов и адаптивного поведения животных. Подход AnimatLab предполагает, что система управления анимата может формироваться и модифицироваться посредством: 1) обучения, 2) индивидуального развития (онтогенеза) и 3) эволюции.
– Лаборатория искусственного интеллекта в университете Цюриха (руководитель Рольф Пфейфер) [23, 24]. Основной подход этой лаборатории – познание природы интеллекта путем его создания («understanding by building»). Он включает в себя: 1) построение моделей биологических систем, 2) исследование общих принципов естественного интеллекта животных и человека, 3) использование этих принципов при конструировании роботов и других искусственных интеллектуальных систем.
– Лаборатория искусственной жизни и роботики в Институте когнитивных наук и технологий (Рим, руководитель Стефано Нолфи) [25, 26], ведущая исследования в области эволюционной роботики и принципов формирования адаптивного поведения.
– Лаборатория искусственного интеллекта в Массачусетском технологическом институте (руководитель Родни Брукс) [27, 28], которая ведет исследования широкого спектра интеллектуальных и адаптивных систем, включая создание интеллектуальных роботов.
Итак, в настоящее время ведутся (к сожалению, в основном за рубежом) активные исследования адаптивного поведения, при этом задача-максимум этого направления работ – именно исследование когнитивной эволюции.
Каково же общее состояние моделей адаптивного поведения в контексте исследования когнитивной эволюции? Общая ситуация примерно такова. Есть множество математических и компьютерных моделей, характеризующих «интеллектуальные» изобретения: модель возникновения безусловного рефлекса на молекулярно-генетическом уровне [29], модели привыкания [13, 30], большое количество моделей условных рефлексов [31–35]. Однако эти модели очень фрагментарны, слабо разработаны и пока не формируют общую картину эволюционного происхождения мышления, логики, интеллекта.
Для осмысления многообразия форм адаптивного поведения необходимо не только исследование конкретных моделей, но и разработка общих концепций и схем, позволяющих взглянуть сверху, «с высоты птичьего полета» на эти исследования.
Одной из таких концептуальных теорий может служить теория функциональных систем, предложенная и развитая в 30—70-х годах известным советским нейрофизиологом П.К. Анохиным [36–38].
5. Теория функциональных систем П.К. Анохина как концептуальная основа исследований адаптивного поведения
6. Модель эволюционного возникновения целенаправленного адаптивного поведения
7. Некоторые концептуальные аспекты
8. Заключение
Литература
ИНФОРМАЦИОННЫЕ ВОЗДЕЙСТВИЯ НА ИНДИВИДУАЛЬНОЕ И МАССОВОЕ СОЗНАНИЕ
Введение
– AnimatLab (Париж, руководитель – один из инициаторов данного направления Ж.-А. Мейер) [21, 22], в этой лаборатории ведется широкий спектр исследований адаптивных роботов и адаптивного поведения животных. Подход AnimatLab предполагает, что система управления анимата может формироваться и модифицироваться посредством: 1) обучения, 2) индивидуального развития (онтогенеза) и 3) эволюции.
– Лаборатория искусственного интеллекта в университете Цюриха (руководитель Рольф Пфейфер) [23, 24]. Основной подход этой лаборатории – познание природы интеллекта путем его создания («understanding by building»). Он включает в себя: 1) построение моделей биологических систем, 2) исследование общих принципов естественного интеллекта животных и человека, 3) использование этих принципов при конструировании роботов и других искусственных интеллектуальных систем.
– Лаборатория искусственной жизни и роботики в Институте когнитивных наук и технологий (Рим, руководитель Стефано Нолфи) [25, 26], ведущая исследования в области эволюционной роботики и принципов формирования адаптивного поведения.
– Лаборатория искусственного интеллекта в Массачусетском технологическом институте (руководитель Родни Брукс) [27, 28], которая ведет исследования широкого спектра интеллектуальных и адаптивных систем, включая создание интеллектуальных роботов.
Итак, в настоящее время ведутся (к сожалению, в основном за рубежом) активные исследования адаптивного поведения, при этом задача-максимум этого направления работ – именно исследование когнитивной эволюции.
Каково же общее состояние моделей адаптивного поведения в контексте исследования когнитивной эволюции? Общая ситуация примерно такова. Есть множество математических и компьютерных моделей, характеризующих «интеллектуальные» изобретения: модель возникновения безусловного рефлекса на молекулярно-генетическом уровне [29], модели привыкания [13, 30], большое количество моделей условных рефлексов [31–35]. Однако эти модели очень фрагментарны, слабо разработаны и пока не формируют общую картину эволюционного происхождения мышления, логики, интеллекта.
Для осмысления многообразия форм адаптивного поведения необходимо не только исследование конкретных моделей, но и разработка общих концепций и схем, позволяющих взглянуть сверху, «с высоты птичьего полета» на эти исследования.
Одной из таких концептуальных теорий может служить теория функциональных систем, предложенная и развитая в 30—70-х годах известным советским нейрофизиологом П.К. Анохиным [36–38].
5. Теория функциональных систем П.К. Анохина как концептуальная основа исследований адаптивного поведения
Функциональная система по П.К. Анохину – схема управления, нацеленного на достижение полезных для организма результатов.
Рис. 4. Структура функциональной системы. ОА – обстановочная афферентация, ПА – пусковая афферентация.
Работа функциональной системы (рис. 4) может быть описана следующим образом.
Сначала происходит афферентный синтез, который включает в себя нейронные возбуждения, обусловленные: 1) доминирующей мотивацией, 2) обстановочной и пусковой афферентацией, 3) врожденной и приобретаемой памятью.
За афферентным синтезом следует принятие решения, при котором происходит уменьшение степеней свободы для эфферентного синтеза и выбор конкретного действия в соответствии с доминирующей потребностью животного и с другими составляющими афферентного синтеза.
Затем следует формирование акцептора результата действия, то есть прогноза результата. Прогноз включает в себя оценку параметров ожидаемого результата.
Эфферентный синтез — подготовка к выполнению действия. При эфферентном синтезе происходит генерация определенных нейронных возбуждений перед подачей команды на выполнение действия.
Все этапы достижения результата сопровождаются обратной афферентацией. Если параметры фактического результата отличаются от параметров акцептора результата действия, то действие прерывается и происходит новый афферентный синтез. В этом случае все операции повторяются до тех пор, пока не будет достигнут конечный потребный результат.
Таким образом, функциональная система имеет циклическую (с обратными афферентными связями) саморегулирующуюся архитектонику.
Теория П.К. Анохина подразумевает динамизм функциональных систем. Для каждого конкретного поведенческого акта может быть сформирована своя функциональная система.
Функциональные системы формируются в процессе системогенеза. Теория системогенеза, которая исследует закономерности формирования функциональных систем в эволюции, индивидуальном развитии и обучении [39], может рассматриваться как отдельная ветвь теории функциональных систем.
Каждая функциональная система ориентирована на достижение конечного потребного результата.
Необходимо подчеркнуть, что теория функциональных систем была разработана в первую очередь для интерпретации нейробиологических данных и зачастую сформулирована в очень интуитивных терминах. Поэтому, хотя она и хорошо известна, она не общепризнана и практически не использовалась при разработке серьезных моделей адаптивного поведения. Можно сказать, что попытки формализации теории функциональных систем только начинаются [40–42]. Тем не менее эта теория базируется на многочисленных биологических экспериментальных данных и представляет собой хорошую концептуальную основу для исследования широкого спектра проблем адаптивного поведения.
Что же можно делать сразу сейчас? Какие интересные задачи можно исследовать, отталкиваясь от теории функциональных систем?
Важное понятие функциональной системы – мотивация. Роль мотивации состоит в формировании цели и поддержке целенаправленных форм поведения. Мотивация может рассматриваться как активная движущая сила, которая стимулирует нахождение такого решения, которое адекватно потребностям организма в рассматриваемой ситуации. И имеет смысл провести моделирование эволюционного возникновения целенаправленного адаптивного поведения и анализ роли мотиваций в формировании целенаправленного поведения. Также следует отметить, что целенаправленность могла возникнуть на очень ранних стадиях эволюции, до появления каких-либо форм индивидуально приобретаемой памяти [43], поэтому, следуя пути, пройденному эволюцией, разумно начать с анализа этого свойства. Кроме того, свойство целенаправленности важно само по себе – это существенная особенность поведения именно живых существ.
Модель эволюционного возникновения целенаправленного адаптивного поведения была построена и исследована в работах [44, 45]. Охарактеризуем основные результаты этого моделирования.
Рис. 4. Структура функциональной системы. ОА – обстановочная афферентация, ПА – пусковая афферентация.
Работа функциональной системы (рис. 4) может быть описана следующим образом.
Сначала происходит афферентный синтез, который включает в себя нейронные возбуждения, обусловленные: 1) доминирующей мотивацией, 2) обстановочной и пусковой афферентацией, 3) врожденной и приобретаемой памятью.
За афферентным синтезом следует принятие решения, при котором происходит уменьшение степеней свободы для эфферентного синтеза и выбор конкретного действия в соответствии с доминирующей потребностью животного и с другими составляющими афферентного синтеза.
Затем следует формирование акцептора результата действия, то есть прогноза результата. Прогноз включает в себя оценку параметров ожидаемого результата.
Эфферентный синтез — подготовка к выполнению действия. При эфферентном синтезе происходит генерация определенных нейронных возбуждений перед подачей команды на выполнение действия.
Все этапы достижения результата сопровождаются обратной афферентацией. Если параметры фактического результата отличаются от параметров акцептора результата действия, то действие прерывается и происходит новый афферентный синтез. В этом случае все операции повторяются до тех пор, пока не будет достигнут конечный потребный результат.
Таким образом, функциональная система имеет циклическую (с обратными афферентными связями) саморегулирующуюся архитектонику.
Теория П.К. Анохина подразумевает динамизм функциональных систем. Для каждого конкретного поведенческого акта может быть сформирована своя функциональная система.
Функциональные системы формируются в процессе системогенеза. Теория системогенеза, которая исследует закономерности формирования функциональных систем в эволюции, индивидуальном развитии и обучении [39], может рассматриваться как отдельная ветвь теории функциональных систем.
Каждая функциональная система ориентирована на достижение конечного потребного результата.
Необходимо подчеркнуть, что теория функциональных систем была разработана в первую очередь для интерпретации нейробиологических данных и зачастую сформулирована в очень интуитивных терминах. Поэтому, хотя она и хорошо известна, она не общепризнана и практически не использовалась при разработке серьезных моделей адаптивного поведения. Можно сказать, что попытки формализации теории функциональных систем только начинаются [40–42]. Тем не менее эта теория базируется на многочисленных биологических экспериментальных данных и представляет собой хорошую концептуальную основу для исследования широкого спектра проблем адаптивного поведения.
Что же можно делать сразу сейчас? Какие интересные задачи можно исследовать, отталкиваясь от теории функциональных систем?
Важное понятие функциональной системы – мотивация. Роль мотивации состоит в формировании цели и поддержке целенаправленных форм поведения. Мотивация может рассматриваться как активная движущая сила, которая стимулирует нахождение такого решения, которое адекватно потребностям организма в рассматриваемой ситуации. И имеет смысл провести моделирование эволюционного возникновения целенаправленного адаптивного поведения и анализ роли мотиваций в формировании целенаправленного поведения. Также следует отметить, что целенаправленность могла возникнуть на очень ранних стадиях эволюции, до появления каких-либо форм индивидуально приобретаемой памяти [43], поэтому, следуя пути, пройденному эволюцией, разумно начать с анализа этого свойства. Кроме того, свойство целенаправленности важно само по себе – это существенная особенность поведения именно живых существ.
Модель эволюционного возникновения целенаправленного адаптивного поведения была построена и исследована в работах [44, 45]. Охарактеризуем основные результаты этого моделирования.
6. Модель эволюционного возникновения целенаправленного адаптивного поведения
В данной модели исследовался возможный механизм эволюционного возникновения целенаправленного поведения, обусловленного мотивациями.
Основные предположения модели состоят в следующем:
– Имеется популяция агентов (искусственных организмов), имеющих естественные потребности: 1) потребность энергии и 2) потребность размножения.
– Популяция эволюционирует в одномерной клеточной среде (рис. 5), в клетках может эпизодически вырастать трава (пища агентов). Каждый агент имеет внутренний энергетический ресурс R, который пополняется при съедании травы и уменьшается при выполнении каких-либо действий. Уменьшение ресурса до нуля приводит к смерти агента. Агенты могут скрещиваться, рождая новых агентов.
– Потребности характеризуются количественно мотивациями. Если энергетический ресурс агента уменьшается, то возрастает мотивация к пополнению энергетического ресурса (характеризующая потребность энергии) и уменьшается мотивация к размножению. При увеличении энергетического ресурса мотивация к пополнению ресурса уменьшается, а мотивация к размножению растет.
– Поведение агента управляется его нейронной сетью. Сеть имеет один слой нейронов. На входы нейронов подаются сигналы, характеризующие внешнюю и внутреннюю среду агента, выходы нейронов определяют действия агента. Каждому возможному действию соответствует ровно один нейрон. В каждый такт времени совершается действие, соответствующее максимальному сигналу на выходе нейрона.
Рис. 5. Агенты в одномерной клеточной среде.
– Агенты «близорукие» – агент воспринимает состояние внешней среды только из трех клеток его поля зрения (рис. 5): той клетки, в которой агент находится, и двух соседних клеток.
– Агент может выполнять следующие действия: 1) быть в состоянии покоя («отдыхать»), 2) двигаться, то есть перемещаться на одну клетку вправо или влево, 3) прыгать через несколько клеток в случайную сторону, 4) есть (питаться), 5) скрещиваться.
– Нейронная сеть имеет специальные входы от мотиваций. Если имеется определенная мотивация, то поведение агента меняется, с тем чтобы удовлетворить соответствующую потребность. Такое поведение можно рассматривать как целенаправленное (есть цель удовлетворить определенную потребность).
– Популяция агентов эволюционирует. Веса синапсов нейронной сети, управляющей поведением агента, составляют геном агента. Геном потомка (рождаемого при скрещивании) формируется на основе геномов родителей при помощи рекомбинаций и мутаций.
В проведенных компьютерных экспериментах моделировалась эволюция популяции агентов. Нейронная сеть агентов исходной популяции определяла некоторые простые изначальные инстинкты, обеспечивающие питание и размножение агентов. Далее наблюдалось, как в процессе эволюции изменялись нейронная сеть агентов и определяемое ею поведение агентов.
Для того чтобы исследовать влияние мотиваций на поведение агентов, были проведены две серии экспериментов. В первой серии моделировалась эволюция популяции агентов с «выключенными» мотивациями (входы нейронов от мотиваций были «задавлены»), во второй серии мотивации «работали» (так, как это изложено выше).
Основные результаты проведенного моделирования таковы:
– Мотивации играют важную роль в исследованных эволюционных процессах. А именно: если сравнить популяцию агентов без мотиваций с популяцией агентов с мотивациями, то, как показывают компьютерные эксперименты, эволюционный процесс приводит к тому, что вторая популяция (с мотивациями) имеет значительные эволюционные преимущества по сравнению с первой (без мотиваций).
Рис. 6. Схема управления агента без мотиваций. Поведение агента состоит из одних только простых безусловных рефлексов, при котором выбор действия напрямую определяется текущим состоянием окружающей среды.
– Результаты моделирования также демонстрируют (рис. 6, 7), что управление поведением агента без мотиваций можно рассматривать как набор простых инстинктов (несколько отличающихся от изначально заданных), а управление агентом с мотивациями – как иерархическую систему управления, состоящую из двух уровней: уровня простых инстинктов и метауровня, обусловленного мотивациями. При этом иерархическая система управления обеспечивает более эффективное управление, чем одноуровневая система, в которой поведение определяется одними лишь простыми инстинктами.
Рис. 7. Схема управления агента, обладающего мотивациями. Мотивации формируют новый уровень иерархии в системе управления агентами.
Понятно, что очерченная модель только лишь характеризует роль мотиваций, целенаправленности в адаптивном поведении и еще далека от моделей реальных когнитивных процессов. Тем не менее она дает определенный вклад в понимание работы функциональных систем и опору для развития моделей более интеллектуальных процессов.
Основные предположения модели состоят в следующем:
– Имеется популяция агентов (искусственных организмов), имеющих естественные потребности: 1) потребность энергии и 2) потребность размножения.
– Популяция эволюционирует в одномерной клеточной среде (рис. 5), в клетках может эпизодически вырастать трава (пища агентов). Каждый агент имеет внутренний энергетический ресурс R, который пополняется при съедании травы и уменьшается при выполнении каких-либо действий. Уменьшение ресурса до нуля приводит к смерти агента. Агенты могут скрещиваться, рождая новых агентов.
– Потребности характеризуются количественно мотивациями. Если энергетический ресурс агента уменьшается, то возрастает мотивация к пополнению энергетического ресурса (характеризующая потребность энергии) и уменьшается мотивация к размножению. При увеличении энергетического ресурса мотивация к пополнению ресурса уменьшается, а мотивация к размножению растет.
– Поведение агента управляется его нейронной сетью. Сеть имеет один слой нейронов. На входы нейронов подаются сигналы, характеризующие внешнюю и внутреннюю среду агента, выходы нейронов определяют действия агента. Каждому возможному действию соответствует ровно один нейрон. В каждый такт времени совершается действие, соответствующее максимальному сигналу на выходе нейрона.
Рис. 5. Агенты в одномерной клеточной среде.
– Агенты «близорукие» – агент воспринимает состояние внешней среды только из трех клеток его поля зрения (рис. 5): той клетки, в которой агент находится, и двух соседних клеток.
– Агент может выполнять следующие действия: 1) быть в состоянии покоя («отдыхать»), 2) двигаться, то есть перемещаться на одну клетку вправо или влево, 3) прыгать через несколько клеток в случайную сторону, 4) есть (питаться), 5) скрещиваться.
– Нейронная сеть имеет специальные входы от мотиваций. Если имеется определенная мотивация, то поведение агента меняется, с тем чтобы удовлетворить соответствующую потребность. Такое поведение можно рассматривать как целенаправленное (есть цель удовлетворить определенную потребность).
– Популяция агентов эволюционирует. Веса синапсов нейронной сети, управляющей поведением агента, составляют геном агента. Геном потомка (рождаемого при скрещивании) формируется на основе геномов родителей при помощи рекомбинаций и мутаций.
В проведенных компьютерных экспериментах моделировалась эволюция популяции агентов. Нейронная сеть агентов исходной популяции определяла некоторые простые изначальные инстинкты, обеспечивающие питание и размножение агентов. Далее наблюдалось, как в процессе эволюции изменялись нейронная сеть агентов и определяемое ею поведение агентов.
Для того чтобы исследовать влияние мотиваций на поведение агентов, были проведены две серии экспериментов. В первой серии моделировалась эволюция популяции агентов с «выключенными» мотивациями (входы нейронов от мотиваций были «задавлены»), во второй серии мотивации «работали» (так, как это изложено выше).
Основные результаты проведенного моделирования таковы:
– Мотивации играют важную роль в исследованных эволюционных процессах. А именно: если сравнить популяцию агентов без мотиваций с популяцией агентов с мотивациями, то, как показывают компьютерные эксперименты, эволюционный процесс приводит к тому, что вторая популяция (с мотивациями) имеет значительные эволюционные преимущества по сравнению с первой (без мотиваций).
Рис. 6. Схема управления агента без мотиваций. Поведение агента состоит из одних только простых безусловных рефлексов, при котором выбор действия напрямую определяется текущим состоянием окружающей среды.
– Результаты моделирования также демонстрируют (рис. 6, 7), что управление поведением агента без мотиваций можно рассматривать как набор простых инстинктов (несколько отличающихся от изначально заданных), а управление агентом с мотивациями – как иерархическую систему управления, состоящую из двух уровней: уровня простых инстинктов и метауровня, обусловленного мотивациями. При этом иерархическая система управления обеспечивает более эффективное управление, чем одноуровневая система, в которой поведение определяется одними лишь простыми инстинктами.
Рис. 7. Схема управления агента, обладающего мотивациями. Мотивации формируют новый уровень иерархии в системе управления агентами.
Понятно, что очерченная модель только лишь характеризует роль мотиваций, целенаправленности в адаптивном поведении и еще далека от моделей реальных когнитивных процессов. Тем не менее она дает определенный вклад в понимание работы функциональных систем и опору для развития моделей более интеллектуальных процессов.
7. Некоторые концептуальные аспекты
Как уже отмечалось выше, целесообразно сочетание построения базовых математических моделей с развитием концептуальных подходов к этому моделированию. Отметим некоторые концептуальные аспекты, которые могут быть полезны при моделировании когнитивной эволюции.
Два метасистемных перехода. Отметим два ключевых перехода, которые было бы интересно осмыслить в рамках работ по анализу когнитивной эволюции: 1) переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов и 2) переход от первобытного мышления к критическому.
Оба перехода можно характеризовать термином «метасистемный переход» [9]. Очень упрощенно и кратко метасистемный переход можно определить как возникновение качественно нового уровня управления поведением в результате объединения систем управления предыдущего уровня иерархии.
1) Переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов можно рассматривать как появление в «сознании» животного свойства «понятие». Обобщенные образы можно представить как мысленные аналоги наших слов, не произносимых животными, но реально используемых ими. Например, у собаки явно есть понятия «хозяин», «свой», «чужой», «пища»… И было бы интересно постараться осмыслить, как такой весьма нетривиальный «метасистемный переход» мог произойти в процессе эволюции.
2) Переход от первобытного мышления к критическому. Критическое мышление отличается от первобытного тем, что возникает оценка мыслительного процесса самим мыслящим субъектом. «Критическое мышление рассматривает каждое объяснение (языковую модель действительности) наряду с другими, конкурирующими объяснениями (моделями), и оно не удовлетворится, пока не будет показано, чем данное объяснение лучше, чем конкурирующее» [9, гл. 8]. Здесь уместно упомянуть «Феномен человека» П. Тейяра де Шардена [46], где этот переход называется возникновением рефлексии. Концептуально этот процесс хорошо представлен в книге [8].
По-видимому, первый переход можно рассматривать как возникновение простейших когнитивных способностей, а второй – как возникновение высших форм когнитивной деятельности.
Внутренняя модель, предсказание. Подчеркнем важность двух понятий, которые можно использовать при анализе когнитивной эволюции: модель и предсказание [9]. Здесь под моделями мы будем понимать внутренние модели в «сознании» животных, те модели, которые формируются в «базе знаний» животных и на основе которых делается предсказание, позволяющее животным предвидеть будущие ситуации и адекватно использовать прогноз для принятия решений в постоянно меняющемся внешнем мире. Смысловое содержание моделей может быть охарактеризовано уже отмеченным термином «семантическая сеть», которую определяют как сеть внутренних понятий, сформированных в «базе знаний» животного, объединенных в структуры посредством смысловых связей между этими понятиями. Семантические сети и модели внешнего мира постоянно совершенствуются в результате обучения.
Здесь обратим внимание на аналогию выработки условного рефлекса с процессом формирования связи между причиной и следствием, обсуждавшимся Д. Юмом [3]. Как отмечал Юм, у нас есть некоторое внутреннее чувство, заставляющее нас после множества наблюдений последовательной пары событий А и В делать вывод о том, что первое событие А есть причина второго В. Можно полагать, что и при выработке условного рефлекса у животного есть внутреннее чувство, которое заставляет его формировать в его семантической сети долговременную связь между узлами «условный стимул» (событие А) и «безусловный стимул» (событие В). Можно даже попытаться выявить материальный субстрат этого внутреннего чувства – «чувства причинности» – в нервной системе животных. Интуитивно чувствуется, что формирование таких связей между причиной и следствием должно обеспечить способность делать предсказания и строить модели внешнего мира.
Итак, мы можем использовать понятие «модель» для характеристики моделей ситуаций и общей модели внешнего мира, которые существуют в «базе знаний» животного. Эти модели используются животными для прогнозирования ситуаций, результатов действий, для адекватного управления своим поведением.
Человек, естественно, тоже имеет свои модели ситуаций и модели, характеризующие его общие представления о внешнем мире. Более того, общая научная картина мира – создаваемая всем международным научным сообществом – также может рассматриваться как совокупность моделей. Наиболее четкие и общие из этих моделей мы называем законами природы – например, закон всемирного тяготения или законы электродинамики, описываемые уравнениями Максвелла. Используя научные модели, мы можем делать предсказания будущих событий во внешнем мире. Часто эти модели настолько абстрактны, что они трудно воспринимаются нашей интуицией – например, модели квантовой механики.
Таким образом, используя понятие «модель» и анализируя способы формирования моделей и методы использования моделей, мы можем попытаться проследить эволюцию познавательных способностей на разных ступенях эволюции: от условного рефлекса до процессов научного познания.
Два метасистемных перехода. Отметим два ключевых перехода, которые было бы интересно осмыслить в рамках работ по анализу когнитивной эволюции: 1) переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов и 2) переход от первобытного мышления к критическому.
Оба перехода можно характеризовать термином «метасистемный переход» [9]. Очень упрощенно и кратко метасистемный переход можно определить как возникновение качественно нового уровня управления поведением в результате объединения систем управления предыдущего уровня иерархии.
1) Переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов можно рассматривать как появление в «сознании» животного свойства «понятие». Обобщенные образы можно представить как мысленные аналоги наших слов, не произносимых животными, но реально используемых ими. Например, у собаки явно есть понятия «хозяин», «свой», «чужой», «пища»… И было бы интересно постараться осмыслить, как такой весьма нетривиальный «метасистемный переход» мог произойти в процессе эволюции.
2) Переход от первобытного мышления к критическому. Критическое мышление отличается от первобытного тем, что возникает оценка мыслительного процесса самим мыслящим субъектом. «Критическое мышление рассматривает каждое объяснение (языковую модель действительности) наряду с другими, конкурирующими объяснениями (моделями), и оно не удовлетворится, пока не будет показано, чем данное объяснение лучше, чем конкурирующее» [9, гл. 8]. Здесь уместно упомянуть «Феномен человека» П. Тейяра де Шардена [46], где этот переход называется возникновением рефлексии. Концептуально этот процесс хорошо представлен в книге [8].
По-видимому, первый переход можно рассматривать как возникновение простейших когнитивных способностей, а второй – как возникновение высших форм когнитивной деятельности.
Внутренняя модель, предсказание. Подчеркнем важность двух понятий, которые можно использовать при анализе когнитивной эволюции: модель и предсказание [9]. Здесь под моделями мы будем понимать внутренние модели в «сознании» животных, те модели, которые формируются в «базе знаний» животных и на основе которых делается предсказание, позволяющее животным предвидеть будущие ситуации и адекватно использовать прогноз для принятия решений в постоянно меняющемся внешнем мире. Смысловое содержание моделей может быть охарактеризовано уже отмеченным термином «семантическая сеть», которую определяют как сеть внутренних понятий, сформированных в «базе знаний» животного, объединенных в структуры посредством смысловых связей между этими понятиями. Семантические сети и модели внешнего мира постоянно совершенствуются в результате обучения.
Здесь обратим внимание на аналогию выработки условного рефлекса с процессом формирования связи между причиной и следствием, обсуждавшимся Д. Юмом [3]. Как отмечал Юм, у нас есть некоторое внутреннее чувство, заставляющее нас после множества наблюдений последовательной пары событий А и В делать вывод о том, что первое событие А есть причина второго В. Можно полагать, что и при выработке условного рефлекса у животного есть внутреннее чувство, которое заставляет его формировать в его семантической сети долговременную связь между узлами «условный стимул» (событие А) и «безусловный стимул» (событие В). Можно даже попытаться выявить материальный субстрат этого внутреннего чувства – «чувства причинности» – в нервной системе животных. Интуитивно чувствуется, что формирование таких связей между причиной и следствием должно обеспечить способность делать предсказания и строить модели внешнего мира.
Итак, мы можем использовать понятие «модель» для характеристики моделей ситуаций и общей модели внешнего мира, которые существуют в «базе знаний» животного. Эти модели используются животными для прогнозирования ситуаций, результатов действий, для адекватного управления своим поведением.
Человек, естественно, тоже имеет свои модели ситуаций и модели, характеризующие его общие представления о внешнем мире. Более того, общая научная картина мира – создаваемая всем международным научным сообществом – также может рассматриваться как совокупность моделей. Наиболее четкие и общие из этих моделей мы называем законами природы – например, закон всемирного тяготения или законы электродинамики, описываемые уравнениями Максвелла. Используя научные модели, мы можем делать предсказания будущих событий во внешнем мире. Часто эти модели настолько абстрактны, что они трудно воспринимаются нашей интуицией – например, модели квантовой механики.
Таким образом, используя понятие «модель» и анализируя способы формирования моделей и методы использования моделей, мы можем попытаться проследить эволюцию познавательных способностей на разных ступенях эволюции: от условного рефлекса до процессов научного познания.
8. Заключение
Итак, в настоящей работе очерчены подходы к моделированию когнитивной эволюции. Аргументируется, что такие исследования, в конечном итоге направленные на осмысление проблемы происхождения мышления, логики, интеллекта человека, очень интересны и важны с точки зрения развития научного миропонимания.
И в конце концов, есть ли в современной науке более глубокая и более серьезная проблема, чем проблема эволюционного происхождения мышления человека?
И в конце концов, есть ли в современной науке более глубокая и более серьезная проблема, чем проблема эволюционного происхождения мышления человека?
Литература
1. Искусственный интеллект. – В 3-х кн. Кн. 2. Модели и методы. Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. С. 304.
2. Воронин Л.Г. Эволюция высшей нервной деятельности. М.: Наука, 1977. С. 128.
3. Юм Д. Исследование о человеческом познании. Соч. в 2-х томах. Т. 2. М.: Мысль, 1966. С. 5—169.
4. Кант И. Критика чистого разума. Соч. в 6-ти томах. Т. 3. М.: Мысль, 1964. С. 69–695.
5. Кант И. Пролегомены ко всякой будущей метафизике, могущей появиться как наука. Соч. в 6-ти томах. Т. 4, часть 1. М.: Мысль, 1965. С. 67–210.
6. Lorenz K. Kant’s doctrine of the a priori in the light of contemporary biology (1941) // Plotkin H. (Ed.) Learning, Development and Culture. N.Y., 1982.
7. Карл Поппер. «Эволюционная эпистемология» // Сб. «Эволюционная эпистемология и логика социальных наук: Карл Поппер и его критики.» Составление Д.Г. Лахути, В.Н. Садовского, B. К. Финна. М.: Эдиториал УРСС, 2000.
8. Меркулов И.П. Когнитивная эволюция. М.: Наука, 1999.
9. Турчин В.Ф. Феномен науки. Кибернетический подход к эволюции. М.: Наука, 1993. С. 295 (1-е изд). М.: ЭТС, 2000. С. 368 (2-е изд). См. также: http://www.refal.ru/turchin/phenomenon/
10. Red’ko V.G. Evolution of cognition: Towards the theory of origin of human logic // Foundations of Science, 2000. V 5. № 3. P. 323–338.
11. Редько В.Г. Эволюционная кибернетика. М.: Наука, 2001. C. 156. См. также: http://www.keldysh.ru/pages/BioCyber/Lectures.html
12. Meyer J.-A., Wilson S. W (Eds) From animals to animats. Proceedings of the First International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Massachusetts, London, England, 1990.
13. Meyer J.-A., Guillot, A. From SAB90 to SAB94: Four years of Animat research. // In: Proceedings of the Third International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Cliff, Husbands, Meyer J.-A., Wilson S. W. (Eds) 1994.
14. Donnart J.Y, Meyer J.A. Learning Reactive and Planning Rules in a Motivationally Autonomous Animat // IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 1996. V 26, № 3. P. 381–395.
15. Цетлин М.Л. Исследования по теории автоматов и моделирование биологических систем. М.: Наука, 1969. С. 316.
16. Варшавский В.И., Поспелов Д.А. Оркестр играет без дирижера. М.: Наука, 1984.
17. Бонгард М.М., Лосев И.С., Смирнов М.С. Проект модели организации поведения – «Животное» // Моделирование обучения и поведения. М.: Наука, 1975. С. 152–171.
18. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987. С. 288.
19. Непомнящих В.А. Аниматы как модель поведения животных // IV Всесоюзная научно-техническая конференция «Нейроинформатика—2002». Материалы дискуссии «Проблемы интеллектуального управления – общесистемные, эволюционные и нейросетевые аспекты». М.: МИФИ, 2003. С. 58–76. См. также: http://www.keldysh.ru/pages/BioCyber/RT/Nepomn.htm
20. Непомнящих В.А. Поиск общих принципов адаптивного поведения живых организмов и аниматов // Новости искусственного интеллекта. 2002. № 2 (50). С. 48–53.
21. Сайт AnimatLab: http://animatlab.lip6.fr/index.en.html
22. Guillot A., Meyer J.-A. From SAB94 to SAB2000: What’s New, Animat? // In Meyer et al. (Eds). From Animals to Animats 6. Proceedings of the Sixth International Conference on Simulation of Adaptive Behavior. The MIT Press, 2000.
23. Сайт AI Laboratory of Zurich University: http://www.ifi.unizh.ch/groups/ailab/
24. Pfeifer R., Scheier C., Understanding Intelligence. MIT Press, 1999.
25. Сайт Laboratory of Artificial Life and Robotics: http://gral.ip.rm.cnr.it/
26. Nolfi S., Floreano D. Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. Cambridge, MA: MIT Press/Bradford Books, 2000. Р. 384.
27. Сайт MIT Artificial Intelligence Laboratory: http://www.ai. mit.edu/
28. Brooks R.A. Cambrian Intelligence: The Early History of the New AI. MIT Press, 1999.
29. Редько В.Г. Адаптивный сайзер // Биофизика. 1990. Т. 35. Вып. 6. С. 1007–1011.
30. Staddon J. E. R. On rate-sensitive habituation // Adaptive Behavior. 1993. Vol. 1. № 4. P. 421–436.
31. Ляпунов А.А. О некоторых общих вопросах кибернетики // Проблемы кибернетики. М.: Физматгиз, 1958. Вып. 1. С. 5–22.
32. Grossberg S. Classical and instrumental learning by neural networks // Progress in Theoretical Biology. 1974. Vol. 3. P. 51–141.
33. Barto A.G., Sutton R.S. Simulation of anticipatory responses in classical conditioning by neuron-like adaptive element // Behav. Brain Res. 1982. Vol. 4. P. 221–235.
34. Klopf A. H., Morgan J. S., Weaver S. E. A hierarchical network of control systems that learn: modeling nervous system function during classical and instrumental conditioning // Adaptive Behavior. 1993. Vol. 1. № 3. P. 263–319.
35. Balkenius C., Moren J. Computational models of classical conditioning: a comparative study // C. Langton and T. Shimohara (Eds) Proceedings of Artificial Life V, MIT Press, Bradford Books, MA.: 1998. See also: http://www.lucs.lu.se//Abstracts/LUCS_Studies/LUCS62.html
36. Анохин П.К. Принципиальные вопросы общей теории функциональных систем // Принципы системной организации функций. М.: Наука, 1973. См. также: http://www.keldysh.ru/pages/BioCyber/RT/Functional.pdf
37. Анохин П.К. Системные механизмы высшей нервной деятельности. М.: Наука, 1979. С. 453.
38. Анохин П.К. Очерки по физиологии функциональных систем. М.: Медицина, 1975.
39. Судаков К.В. (ред.). Теория системогенеза. М.: Горизонт, 1997.
40. Умрюхин Е.А. Механизмы мозга: информационная модель и оптимизация обучения. М., 1999. С. 96.
41. Моделирование функциональных систем (под ред. Судакова К.В. и Викторова В.А.). М.: РАМН, РСМАН, 2000. С. 254.
42. Анохин К.В., Бурцев М.С., Зарайская И.Ю., Лукашев А.О., Редько В.Г. Проект «Мозг анимата»: разработка модели адаптивного поведения на основе теории функциональных систем // Восьмая национальная конференция по искусственному интеллекту с международным участием. Труды конференции. М.: Физматлит, 2002. Т. 2. С. 781–789.
43. Tsitolovsky L.E. A model of motivation with chaotic neuronal dynamics // Journ. of Biological Systems. 1997. V. 5. № 2. P. 301–323.
44. Бурцев М.С., Гусарев Р.В., Редько В.Г. Модель эволюционного возникновения целенаправленного адаптивного поведения. 1. Случай двух потребностей // Препринт ИПМ РАН. 2000. № 43. См. также http://www.keldysh.ru/pages/BioCyber/PrPrint/PrPrint. htm
45. Бурцев М.С., Гусарев Р.В., Редько В.Г. Исследование механизмов целенаправленного адаптивного управления // Изв. РАН «Теория и системы управления» 2002. № 6. С. 55–62.
46. Тейяр де Шарден П. Феномен человека. М.: Устойчивый мир, 2001. С. 232.
2. Воронин Л.Г. Эволюция высшей нервной деятельности. М.: Наука, 1977. С. 128.
3. Юм Д. Исследование о человеческом познании. Соч. в 2-х томах. Т. 2. М.: Мысль, 1966. С. 5—169.
4. Кант И. Критика чистого разума. Соч. в 6-ти томах. Т. 3. М.: Мысль, 1964. С. 69–695.
5. Кант И. Пролегомены ко всякой будущей метафизике, могущей появиться как наука. Соч. в 6-ти томах. Т. 4, часть 1. М.: Мысль, 1965. С. 67–210.
6. Lorenz K. Kant’s doctrine of the a priori in the light of contemporary biology (1941) // Plotkin H. (Ed.) Learning, Development and Culture. N.Y., 1982.
7. Карл Поппер. «Эволюционная эпистемология» // Сб. «Эволюционная эпистемология и логика социальных наук: Карл Поппер и его критики.» Составление Д.Г. Лахути, В.Н. Садовского, B. К. Финна. М.: Эдиториал УРСС, 2000.
8. Меркулов И.П. Когнитивная эволюция. М.: Наука, 1999.
9. Турчин В.Ф. Феномен науки. Кибернетический подход к эволюции. М.: Наука, 1993. С. 295 (1-е изд). М.: ЭТС, 2000. С. 368 (2-е изд). См. также: http://www.refal.ru/turchin/phenomenon/
10. Red’ko V.G. Evolution of cognition: Towards the theory of origin of human logic // Foundations of Science, 2000. V 5. № 3. P. 323–338.
11. Редько В.Г. Эволюционная кибернетика. М.: Наука, 2001. C. 156. См. также: http://www.keldysh.ru/pages/BioCyber/Lectures.html
12. Meyer J.-A., Wilson S. W (Eds) From animals to animats. Proceedings of the First International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Massachusetts, London, England, 1990.
13. Meyer J.-A., Guillot, A. From SAB90 to SAB94: Four years of Animat research. // In: Proceedings of the Third International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Cliff, Husbands, Meyer J.-A., Wilson S. W. (Eds) 1994.
14. Donnart J.Y, Meyer J.A. Learning Reactive and Planning Rules in a Motivationally Autonomous Animat // IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 1996. V 26, № 3. P. 381–395.
15. Цетлин М.Л. Исследования по теории автоматов и моделирование биологических систем. М.: Наука, 1969. С. 316.
16. Варшавский В.И., Поспелов Д.А. Оркестр играет без дирижера. М.: Наука, 1984.
17. Бонгард М.М., Лосев И.С., Смирнов М.С. Проект модели организации поведения – «Животное» // Моделирование обучения и поведения. М.: Наука, 1975. С. 152–171.
18. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987. С. 288.
19. Непомнящих В.А. Аниматы как модель поведения животных // IV Всесоюзная научно-техническая конференция «Нейроинформатика—2002». Материалы дискуссии «Проблемы интеллектуального управления – общесистемные, эволюционные и нейросетевые аспекты». М.: МИФИ, 2003. С. 58–76. См. также: http://www.keldysh.ru/pages/BioCyber/RT/Nepomn.htm
20. Непомнящих В.А. Поиск общих принципов адаптивного поведения живых организмов и аниматов // Новости искусственного интеллекта. 2002. № 2 (50). С. 48–53.
21. Сайт AnimatLab: http://animatlab.lip6.fr/index.en.html
22. Guillot A., Meyer J.-A. From SAB94 to SAB2000: What’s New, Animat? // In Meyer et al. (Eds). From Animals to Animats 6. Proceedings of the Sixth International Conference on Simulation of Adaptive Behavior. The MIT Press, 2000.
23. Сайт AI Laboratory of Zurich University: http://www.ifi.unizh.ch/groups/ailab/
24. Pfeifer R., Scheier C., Understanding Intelligence. MIT Press, 1999.
25. Сайт Laboratory of Artificial Life and Robotics: http://gral.ip.rm.cnr.it/
26. Nolfi S., Floreano D. Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. Cambridge, MA: MIT Press/Bradford Books, 2000. Р. 384.
27. Сайт MIT Artificial Intelligence Laboratory: http://www.ai. mit.edu/
28. Brooks R.A. Cambrian Intelligence: The Early History of the New AI. MIT Press, 1999.
29. Редько В.Г. Адаптивный сайзер // Биофизика. 1990. Т. 35. Вып. 6. С. 1007–1011.
30. Staddon J. E. R. On rate-sensitive habituation // Adaptive Behavior. 1993. Vol. 1. № 4. P. 421–436.
31. Ляпунов А.А. О некоторых общих вопросах кибернетики // Проблемы кибернетики. М.: Физматгиз, 1958. Вып. 1. С. 5–22.
32. Grossberg S. Classical and instrumental learning by neural networks // Progress in Theoretical Biology. 1974. Vol. 3. P. 51–141.
33. Barto A.G., Sutton R.S. Simulation of anticipatory responses in classical conditioning by neuron-like adaptive element // Behav. Brain Res. 1982. Vol. 4. P. 221–235.
34. Klopf A. H., Morgan J. S., Weaver S. E. A hierarchical network of control systems that learn: modeling nervous system function during classical and instrumental conditioning // Adaptive Behavior. 1993. Vol. 1. № 3. P. 263–319.
35. Balkenius C., Moren J. Computational models of classical conditioning: a comparative study // C. Langton and T. Shimohara (Eds) Proceedings of Artificial Life V, MIT Press, Bradford Books, MA.: 1998. See also: http://www.lucs.lu.se//Abstracts/LUCS_Studies/LUCS62.html
36. Анохин П.К. Принципиальные вопросы общей теории функциональных систем // Принципы системной организации функций. М.: Наука, 1973. См. также: http://www.keldysh.ru/pages/BioCyber/RT/Functional.pdf
37. Анохин П.К. Системные механизмы высшей нервной деятельности. М.: Наука, 1979. С. 453.
38. Анохин П.К. Очерки по физиологии функциональных систем. М.: Медицина, 1975.
39. Судаков К.В. (ред.). Теория системогенеза. М.: Горизонт, 1997.
40. Умрюхин Е.А. Механизмы мозга: информационная модель и оптимизация обучения. М., 1999. С. 96.
41. Моделирование функциональных систем (под ред. Судакова К.В. и Викторова В.А.). М.: РАМН, РСМАН, 2000. С. 254.
42. Анохин К.В., Бурцев М.С., Зарайская И.Ю., Лукашев А.О., Редько В.Г. Проект «Мозг анимата»: разработка модели адаптивного поведения на основе теории функциональных систем // Восьмая национальная конференция по искусственному интеллекту с международным участием. Труды конференции. М.: Физматлит, 2002. Т. 2. С. 781–789.
43. Tsitolovsky L.E. A model of motivation with chaotic neuronal dynamics // Journ. of Biological Systems. 1997. V. 5. № 2. P. 301–323.
44. Бурцев М.С., Гусарев Р.В., Редько В.Г. Модель эволюционного возникновения целенаправленного адаптивного поведения. 1. Случай двух потребностей // Препринт ИПМ РАН. 2000. № 43. См. также http://www.keldysh.ru/pages/BioCyber/PrPrint/PrPrint. htm
45. Бурцев М.С., Гусарев Р.В., Редько В.Г. Исследование механизмов целенаправленного адаптивного управления // Изв. РАН «Теория и системы управления» 2002. № 6. С. 55–62.
46. Тейяр де Шарден П. Феномен человека. М.: Устойчивый мир, 2001. С. 232.
ИНФОРМАЦИОННЫЕ ВОЗДЕЙСТВИЯ НА ИНДИВИДУАЛЬНОЕ И МАССОВОЕ СОЗНАНИЕ
Смолян Георгий Львович, доктор философских наук, главный научный сотрудник Института системного анализа РАН, академик РАЕН
Введение
Информационные воздействия давно уже превратились в мощный инструмент манипулирования сознанием. Однако в последние десятилетия эти воздействия приобрели не только невиданные прежде масштабы, но и принципиально новые качественные особенности. Технология таких воздействий постоянно отрабатывается и совершенствуется в самых разных информационных процессах и сферах жизни: в повседневной политико-психологической борьбе одних групп СМИ против других, в пиаровских акциях избирательных кампаний, в рефлексивном управлении при принятии решений в ситуации конфликта или в переговорном процессе, в нетрадиционном маркетинге, когда не товар приспосабливается к людям, а люди к товару, наконец, в преобразовании сознания как виде нелетального оружия. В перспективе эта ситуация ставит человечество перед серьезным вызовом, ответить на который призван весь комплекс наук о человеке, и в первую очередь психология. Первым шагом здесь является чисто феноменологическое описание и классификация ситуаций и механизмов воздействия.